1.首先要再darknet下进行数据文件的配置，打开配置文件cfg，修改coco.data

上图中，classes是分类数，我用的是80类的data，具体多少个类别，去data文件夹下查看coco.names

train、valid、names都按照自己电脑上的实际位置进行更改即可，路径指向一定要仔细，保证准确

backup是存放训练模型权值文件

2.训练命令：./darknet detector train cfg/coco.data cfg/yolov3.cfg，训练日志信息如下图所示：

训练的时间依个人的电脑配置而定，正常情况下我用电脑上的所有硬件资源，GPU、CUDNN。

训练日志信息解释：

（1）.训练日志信息都是针对batch和subdivision所打印出来的

（2）.日志信息会以两种方式开头，一种是Region，一种是数字开头。

447: 19.874306, 25.464220 avg, 0.000040 rate, 7.874294 seconds, 28608 images Loaded: 0.000112 seconds

数字开头的是表示当前的网络训练到了第几个batchsize，后面会跟着总的图片的数量，也就是batch×64的值，接下来是网络训练到这个时刻所对应的loss的信息，下来是学习率rate，当前batch训练所用掉的时间

（3）.Region开头，三个不同尺度（82,94,106）上预测到的不同大小的框的参数，82是卷基层为最大的预测尺度，94是中间的预测尺度，106是最小的预测尺度。

（4）.Avg IOU是在当前前向运算subdivision内的图片的平均IOU，代表预测的矩形框和真实目标的交集与并集之比，表示匹配程度

（5）.class表示标注物体分类的正确率，期望该值趋于1,

（6）.obj表示当前网络检测到目标的信息，越接近1越好，No obj期望该值越小越好，但不为零

（7）..5R在recall/count中定义，当前模型在所有subdivision图片中检测出的正样本与实际的正样本的比值

（8）.count是当前的subdivision中包含正样本的图片数量

3.预训练，在训练的命令后面加上个权值文件即可，表示在该权值的基础上进行训练

./darknet detector train cfg/coco.data cfg/yolov3.cfg backup/yolov3_20000.weights

4.迭代次数小于1000，每100次保存一下权值，大于1000后，每10000次保存一下。方然，我们可以修改这个保存的策略，源码位置在examples/detector.c 的第138行。

5.训练完进行预测（我没训练完，比较花时间，所以索性下载了别人训练的权重用一下，哈，真香）

./darknet detector test cfg/coco.data cfg/yolov3.cfg backup/yolov3.weights data/giraffe.jpg -thresh 0.4